論文の概要: Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.18479v1
• Date: Mon, 20 Jul 2026 19:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.236782
• Title: Hybrid Latent-Structural Fusion (HLSF) for Cyber Anomaly Detection
• Title（参考訳）: サイバー異常検出のためのハイブリッド潜在構造融合(HLSF)
• Abstract要約: CP-APR構造異常スコアと正規化フローから導出される潜在空間密度スコアを結合した重み付き異常融合フレームワークを提案する。 実験の結果,HLSFフレームワークは,実世界のユーザ認証情報を漏洩したデータセット上での異常検出性能を向上することがわかった。
• 参考スコア（独自算出の注目度）: 0.22940141855172033
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Malicious anomalous activity detection is a fundamental challenge for cyber security systems. Both tensor decomposition under statistical framework with CANDECOMP-PARAFAC alternating Poisson regression (CP-APR) and normalizing flows have proven to be powerful unsupervised machine learning methods that model multi-dimensional data and capture complex and multi-faceted details of behavior profiles in cyber security applications. In this study, we propose Hybrid Latent-Structural Fusion (HLSF), a weighted anomaly fusion framework integrating CP-APR structural anomaly scores with latent-space density scores derived from normalizing flows. In our experiments, we show that the HLSF framework improves anomaly detection performance on a dataset of real-world compromised user credentials collected from the large enterprise network of Los Alamos National Laboratory (LANL) during a red-teaming exercise, compared with using CP-APR or normalizing flows alone.
• Abstract（参考訳）: 悪意のある異常な活動検出は、サイバーセキュリティシステムにとって根本的な課題である。 CANDECOMP-PARAFACによる統計フレームワーク下でのテンソル分解と、Poisson回帰(CP-APR)と正規化フローは、多次元データをモデル化し、サイバーセキュリティアプリケーションにおける行動プロファイルの複雑かつ多面的な詳細をキャプチャする強力な教師なし機械学習手法であることが証明されている。 本研究では,CP-APR構造異常スコアと正規化フローから得られる潜在空間密度スコアを組み合わせた重み付き異常融合フレームワークであるHybrid Latent-Structural Fusion (HLSF)を提案する。 実験では,ロストアラモス国立研究所(LANL)の大規模企業ネットワークから収集した実世界の漏洩したユーザ認証情報を,CP-APRやフローのみを用いた場合と比較して,HLSFフレームワークにより異常検出性能が向上することを示した。

関連論文リスト

• Kalman Prototypical Networks for Few-shot Fault Detection in Combined Cycle Gas Turbines [7.586238488851779]
  複合サイクルガスタービン(CCGT)は現代の発電において重要な役割を担い、高効率と環境負荷の低減を図っている。 複雑な熱流体と機械的相互作用は、特にラベル付き断層データが不足している場合に、断層検出を複雑にする。 本稿では,CCGTの故障診断に特化して開発されたKalman Prototypeal Network(KPN)について紹介する。
  論文  参考訳（メタデータ） (2026-06-25T07:41:00Z)
• Out-of-Distribution Radar Detection with Complex VAEs: Theory, Whitening, and ANMF Fusion [5.205040944294552]
  複素数値変分オートエンコーダ(CVAE)は、外部分布検出を行うためにクラッタプラスノイズのみを訓練した。 古典的かつ適応的な検出器に対して性能をベンチマークする。 その結果, 統計的正規化と複素数値生成モデルが組み合わさって, 現実的な海面クラッタ条件における検出を大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2026-01-26T16:51:19Z)
• Active Hypothesis Testing for Correlated Combinatorial Anomaly Detection [1.7188280334580195]
  本研究では,サイバー物理システムにおける監視とセキュリティを動機とした相関雑音下でのストリームの異常なサブセットを特定する問題について検討する。 本稿では,競合する仮説間のChernoff情報を最大化するために,連続的かつ制約のある測定値を選択する適応アルゴリズムECC-AHTを提案する。 ECC-AHTは、最適なサンプル複雑性を保証するとともに、合成および実世界の相関環境において最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-01-24T11:58:08Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual Variational Generative Adversarial Network [7.889342625283858]
  深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。 本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。 中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
  論文  参考訳（メタデータ） (2023-11-04T11:19:03Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。